© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano Approccio gerarchico alla ottimizzazione di processo Supervisione Supervisione Ottimizzazione Ottimizzazione Controllo Controllo di di processo processo Riconciliazione Riconciliazione dati dati Simulazione Simulazione di di processo processo Analisi Analisi statistica statistica Acquisizione Acquisizione dati dati in in linea linea © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 2 Processo Sistema di supervisione DCS IN Modello del processo Acquisizione dati OUT Analisi statistica Riconciliazione dati © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 3 Cos’è la Riconciliazione… B 21 Riconciliazione classica delle misure 50 A 32 C © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 4 Cos’è la Riconciliazione… B 21 Riconciliazione classica delle misure 50 A 32 C B 21 Gross error detection: 500 A 32 C © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 5 Cos’è la Riconciliazione… B 21 Coaptation ? A 32 C © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 6 Cos’è la Riconciliazione… B 21 Model identification η=? 50 A 32 C © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 7 Introduzione La metodologia adottata per la Riconciliazione dati può essere divisa in tre fasi distinte (Romagnoli e Sanchez, 2000) y Classificazione delle variabili di processo e decomposizione del problema; y Detezione, identificazione e stima degli errori grossolani; y Stima delle variabili di processo non misurate o non misurabili. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 8 Classificazione delle misure Per ragioni di costo, convenienza, o per motivi tecnici, non tutte le variabili di processo sono misurate. Sotto le ipotesi di stazionarietà del processo, alcune variabili non misurate possono essere stimate utilizzando altre variabili misurate e calcoli basati sui bilanci di materia ed energia. La stima delle variabili non misurate dipende dalla struttura del processo e dal posizionamento della strumentazione in campo. In genere la strumentazione di processo è incompleta (non esaurisce tutte le variabili di processo). Quindi le variabili non misurate possono essere divise in: y variabili stimabili (determinabili) y variabili non stimabili (indeterminabili) © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 9 Classificazione delle misure A loro volta le misure sono classificabili in: y ridondanti y non ridondanti Una misura è ridondante se rimane determinabile quando l’osservazione viene cancellata. La classificazione delle variabili è uno strumento essenziale per la progettazione ed il revamping di sistemi di monitoraggio. Una classificazione robusta delle variabili conduce a significativi risparmi legati alla selezione della strumentazione da installare in campo. Una classificazione non corretta delle variabili conduce all’introduzione di strumentazione non necessaria implicante costi di investimento maggiori. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 10 Classificazione delle misure Una variabile non misurata è determinabile se può essere calcolata utilizzando le misure disponibili e le equazioni di bilancio. Una variabile non misurata è indeterminabile se non può essere calcolata utilizzando le misure disponibili e le equazioni di bilancio. Una variabile di processo misurata è ridondante (sovradeterminata) se può essere ugualmente calcolata utilizzando le restanti misure e le equazioni di bilancio. Una variabile di processo misurata non è ridondante se non può essere calcolata utilizzando le restanti misure e le equazioni di bilancio. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 11 Classificazione delle misure Una volta classificate le variabili si ha a disposizione una significativa quantità di informazioni circa la topologia del processo. È quindi possibile risolvere i seguenti problemi: y Selezionare l’insieme di variabili misurate che debbono essere corrette (riconciliate) al fine di incrementare l’accuratezza delle variabili misurate e non misurate di processo. y Selezionare il minimo numero di misure tali che tutte le variabili non misurate possano essere determinate. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 12 Modello del processo Il modello del processo è una scrittura matematica descrivente il comportamento dello stesso in condizioni STAZIONARIE o DINAMICHE. Il modello del processo viene utilizzato su più livelli: y Per inferenziare grandezze altrimenti NON misurabili y Per riconciliare misure y Per identificare misure affette da errori grossolani y Per determinare l’azione di controllo ottimale y Model based control (ad esempio: Model Predictive control) y Feedforward control y Per ottimizzazione di processo y Per supervisione di processo Il processo può essere descritto tramite modelli lineari o non lineari: ARX, NARX, ARMAX, NARMAX, Trasformate di Laplace, Regressioni, Reti neurali artificiali (ANN), Modelli deterministici e fenomenologici (First Principles), … © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 13 Modello del processo Il dettaglio del modello di processo deve essere commisurato alla necessità descrittiva richiesta. Occorre innanzitutto discriminare tra: ¾ Modello stazionario e dinamico ¾ Modello lineare o non lineare ¾ Modello robusto o efficiente ¾ Modello semplificato o dettagliato Nel caso più complesso di modello dettagliato dinamico non lineare occorre scrivere, per le apparecchiature e le correnti presenti nel processo, dei bilanci materiali, energetici e di quantità di moto. Il sistema risultante conterrà equazioni algebrico differenziali eventualmente alle derivate parziali. Esistono delle routine numeriche preposte ad integrare tali sistemi. Anche utilizzando computer moderni con CPU estremamente veloci il tempo fisico richiesto per una simulazione od una serie di simulazioni (controllo predittivo, ottimizzazione) può essere superiore al tempo massimo accettabile (orizzonte di controllo). In questo caso è necessario passare a modelli più semplificati che riducono il tempo di CPU di ordini di grandezza (ad esempio modelli ARX o ANN). © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 14 Approccio risolutivo Equation oriented Quest’approccio si basa su equazioni di bilancio materiale ed energetico, ai nodi dell’impianto, utilizzate come vincoli di uguaglianza da soddisfare nella ricerca del minimo. Le variabili di output della procedura corrispondono a quelle di input. La differenza tra valore calcolato e misurato è imputabile ad un errore di misura. Per stimare i gradi di libertà (gdl) dell’impianto occorre avere a disposizione nuove e diverse misure distribuite nel processo ed il più precise possibile. Black box È dato un programma di simulazione di processo che ad assegnate variabili di input stima le variabili di output da riconciliare. Le variabili di output sono: correnti e/o composizioni incognite e parametri del processo non misurabili. Il programma di simulazione viene chiamato iterativamente da una routine di regressione non lineare che valuta i gradi di libertà in modo da minimizzare lo scarto tra dati misurati e dati calcolati. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 15 Ridondanza Romagnoli e Sanchez (2000) definiscono un sistema ridondante quando l’insieme di dati/informazioni a disposizione è superiore all’ammontare minimo richiesto per una determinazione univoca delle variabili indipendenti che determinano il modello selezionato. Dato che i dati sono ottenuti da misure di processo che sono affette da fluttuazioni probabilistiche, i dati ridondanti sono di solito inconsistenti nel senso che ogni sottoinsieme di dati fornisce dei risultati differenti da altri sottoinsiemi. Per ottenere una soluzione univoca al problema della determinazione delle misure è quindi necessario introdurre un criterio aggiuntivo. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 16 Ridondanza Ridondanza del sistema Nel caso di approccio Black box si definisce con il termine Ridondanza la differenza tra variabili misurate e gradi di libertà: Ridondanza = variabili misurate – gradi di libertà = NY – NPAR Il sistema descrivente numericamente il problema di Riconciliazione è SOVRADIMENSIONATO. È cioè costituito da più equazioni che incognite. 1 ⎧ y sper (1) − ycalc (x1 , x2 ,…, xNPAR ) = 0 ⎪ 2 ⎪ ysper (2) − ycalc (x1 , x2 ,… , x NPAR ) = 0 ⎨ ⎪… ⎪ y ( NY ) − y NY ( x , x ,… , x 2 calc 1 NPAR ) = 0 ⎩ sper Il fatto che il sistema sia ipervincolato conduce all’impossibilità di soddisfarlo perfettamente. È viceversa possibile minimizzare la somma degli scarti quadratici delle varie equazioni risolvendo un problema di minimizzazione tramite una regressione non lineare nei parametri: x. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 17 Funzione obiettivo della Riconciliazione Obiettivo della procedura di Riconciliazione è la minimizzazione della NY funzione: Min f = ∑ x i =1 [y calc ( x) sper (i ) − yi ] 2 s 2 (i ) Introducendo la matrice di incidenza MI 1 ⎡ ∂ycalc è possibile controllare se un gdl NON ⎢ ⎢ ∂x21 influenza alcuna misura (muovendosi ⎢ ∂ycalc per colonne) o se una misura NON è M I = ⎢ ∂x influenzata da alcun gdl (muovendosi ⎢ 1 per righe). Se poi due colonne sono ⎢ …NY ⎢ ∂ycalc linearmente dipendenti allora i due gdl ⎢⎣ ∂x1 corrispondenti sono altamente correlati tra di loro. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano ∂y1calc ∂x2 2 ∂ycalc ∂x2 … NY ∂ycalc ∂x2 … … … … 1 ⎤ ∂ycalc ⎥ ∂x NPAR ⎥ 2 ∂ycalc ⎥ ∂x NPAR ⎥ ⎥ … ⎥ NY ∂ycalc ⎥ ∂x NPAR ⎥⎦ 18 Risoluzione del problema di Riconciliazione Affinché il problema di Riconciliazione sia risolubile occorre avere: y Ridondanza positiva y Gradi di libertà indipendenti y Un algoritmo numerico robusto soprattutto se si opera on-line © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 19 Risoluzione del problema di Riconciliazione Le ipotesi di base su cui si lavora sono le seguenti: 1. Il modello del processo è in grado di rappresentare correttamente il sistema in esame (convalida del modello); 2. Le misure sono soggette ad errore ε distribuito in maniera normale con media nulla e varianza σ nota o calcolabile; 3. Le misure provengono da un processo stazionario. L’insuccesso della Riconciliazione (una volta verificata l’ipotesi 1) è dovuto ai punti 2 e 3. Possono esistere delle misure affette da errore grossolano che hanno valore atteso non nullo dell’errore ε : +∞ +∞ ⎛ ε2 ⎞ ε E (ε ) = ∫ ε p ( ε ) d ε = ∫ exp ⎜ − 2 ⎟ d ε ≠ 0 2 −∞ −∞ 2πσ ⎝ 2σ ⎠ Possibili cause di errore grossolano sono: strumenti di misura non affidabili, disomogeneità attorno allo strumento, instabilità di processo, incidenti, errori di trascrizione, interruzione di comunicazione, non stazionarietà. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 20 Analisi statistica delle misure disponibili Per effettuare una Riconciliazione dati occorre partire da valori medi delle misure acquisite in campo in un certo intervallo temporale rispetto al quale il processo è mediamente stazionario. A tal fine si parla di valore atteso della misura μ(i) e di varianza σ(i) della stessa. È possibile distinguere tra stimatori robusti e stimatori efficienti Stimatori ROBUSTI Per μ(i) si usa la Mediana: è il valore centrale della popolazione ordinata in senso crescente. Nel caso di un numero pari di termini si fa la media aritmetica dei due valori centrali Per σ(i) si usa MAD (Median Absolute Deviation) MAD(i) = 1.4826 * Mediana(|yexp(i,k)-Mediana(yexp(i,k)|) Stimatori EFFICIENTI NS Media aritmetica: ys (i ) = ∑ yexp (i, k ) NS k =1 Deviazione standard o scostamento quadratico medio: s (i ) = NS ∑ k =1 [y exp (i, k ) − y s (i ) ] 2 NS − 1 © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 21 Identificazione del modello Definiti NY = numero misure ed NPAR = numero di gradi di libertà (parametri) da identificare sono dati i seguenti casi: NPAR > NY (Ridondanza NEGATIVA) Il modello proposto y = ax2 + bx + c è costituito da tre parametri (NPAR=3) mentre i punti sperimentali sono due. Si ha un’infinità di curve che soddisfano esattamente i dati sperimentali. Non è possibile individuare eventuali Gross Error. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 22 Identificazione del modello NPAR = NY (Ridondanza NULLA) In questo caso esiste una sola curva passante per gli NY punti. Si noti che il modello proposto essendo una retta è costituito da due parametri. Quindi NPAR = 2 ed NY = 2. L’identificazione ha ancora errore nullo e NON è possibile individuare eventuali Gross Error. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 23 Identificazione del modello NPAR < NY (Ridondanza POSITIVA) Gross error In questo caso il modello proposto è ancora una retta (NPAR = 2) mentre il numero di punti sperimentali è sette: NY = 7. Evidentemente NON esiste un modello che soddisfi contemporaneamente tutti i dati sperimentali. Si cercherà quindi di minimizzare l’errore commesso cioè minimizzare la distanza tra modello e dati acquisiti. In questo caso è possibile anche individuare possibili gross error in numero massimo: NGE = NY – NPAR = R = Ridondanza Qualora si trovi un gross error è possibile o eliminarlo o compensarlo con il valore appena riconciliato. In questo caso non si diminuisce la ridondanza. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 24 Riconciliazione dati – Case study Impianto di termovalorizzazione con sezione DeNOx catalitico © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 25 Riconciliazione dati – Case study (continua) Esigenza di conoscenze specifiche ¾ Valutazione esatto valore delle misure rilevate in campo ¾ Individuazione eventuale misura affetta da gross error ¾ Conoscenza in tempo reale della caratteristica del rifiuto entrante in termini di composizione elementare e potere calorifico ¾ ¾ Stima di correnti entranti non misurabili o non disponibili: • Arie dalle tenute • Portata metano in postcombustione Valutazione di parametri operativi e grandezze adattive quali: • Efficienze filtro a maniche • Efficienza catalizzatore • Fattore sporcamento scambiatori di calore © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 26 Riconciliazione dati – Case study (continua) Posizione del problema Funzione obiettivo da minimizzare: Misure da riconciliare: 24 T fumi postcombustione T out fumi zona radiante T out fumi preriscaldatore Fumi uscita colonna lav. T fumi camino NOx ingresso DeNOx HCl al camino Polveri al camino NY Min f = ∑ x CO out postcombustione T out fumi surriscaldatore T aria combustione T out gas heater T in fumi DeNOx NOx uscita DeNOx SO2 al camino O2 al camino [y calc ( x) sper (i ) − yi i =1 ] 2 s 2 (i ) O2 out postcombustione T out fumi economizzatore Fumi ingresso colonna lavaggio Tout fumi scambiatore gas-gas T out fumi DeNOx Portata ammoniaca CO al camino Portata vapore prodotta Gradi di libertà (parametri di riconciliazione): 23 Portata di rifiuto Frazione S nel rifiuto Portata aria tenute forno Dispersioni caldaia Fatt. corr. economiz. Efficienza lavaggio acido Fatt. corr. scamb. gas-gas Efficienza catalizz. DeNOx Frazione Ceneri nel rifiuto Frazione Cl nel rifiuto Frazione N nel rifiuto Frazione C nel rifiuto Frazione bypass fumi forno Portata metano postcombustione Fatt. corr. scamb. zona radiante Fatt. corr. scamb. Surriscaldatore Fatt. corr. preriscaldatore Efficienza filtro a maniche Efficienza lavaggio basico Fatt. corr. riscaldatore vapore Portata aria preriscaldatore Portata metano bruciatore DeNOx Arie tenute dopo postcombustione © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 27 Riconciliazione dati – Case study (continua) Risoluzione del problema • Occorre disporre di una routine di regressioni non lineari in grado di minimizzare la funzione obiettivo precedentemente posta. • Occorre disporre di un modello dettagliato del processo in grado di simulare le misure (cioè calcolare i valori riconciliati delle misure acquisite) ogniqualvolta la routine di regressione propone un nuovo vettore di gradi di libertà. • Se la procedura di riconciliazione NON riesce a minimizzare la funzione obiettivo, raggiungendo la precisione desiderata, significa che i bilanci materiali, energetici e di quantità di moto descriventi il processo “non chiudono”. Si può in questo caso ipotizzare la presenza di un errore grossolano eliminando la misura rispetto alla quale esiste maggiore scostamento o meglio sostituendone il valore misurato con quello appena stimato. La procedura continua fintantoché non si raggiunge la precisione desiderata. Se la misura ipotizzata di errore grossolano e sostituita NON porta la procedura a successo la si reintegra e si elimina quella successiva maggiormente “incriminata”. Dato che nel caso d’esempio la ridondanza è unitaria sarà possibile individuare un solo gross error. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 28 Riconciliazione dati – Case study (continua) I risultati… © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 29 Riconciliazione dati – Case study (continua) I risultati… © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 30 Riconciliazione dati – Case study (continua) I risultati… © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 31 Riconciliazione ed Ottimizzazione Ottimizzazione Modello Riconciliazione Processo © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 32 Riconciliazione ed Ottimizzazione Reliable process data are the key to the efficient operation of chemical plants. … it must be noted that errors in process data or inaccurate and unreliable methods of resolving these errors, can easily exceed or mask actual changes in process performance. Romagnoli and Sanchez, 2000 La non corretta conoscenza delle condizioni operative del processo analizzato conduce ad un’errata rappresentazione e stima dei margini di miglioramento dello stesso. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 33 Riconciliazione ed Ottimizzazione Si pensi ad una Ferrari che corra in rettilineo a 320 km/h: y se l’incertezza nel cronometraggio sul giro è di 1 millesimo di secondo allora si ha un’incertezza spaziale di 9 cm; y se l’incertezza sul giro è di 1 secondo allora si ha un’incertezza spaziale di 90 m. © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 34 Riconciliazione ed Ottimizzazione 2006 Monaco Grand Prix # 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Nome Michael Kimi Fernando Mark Giancarlo Juan Pablo Felipe Jarno Nico Jenson Nick Rubens Tiago Scott Ralf Christijan Vitantonio Jacques David Christian Takuma Franck Cognome Schumacher Räikkönen Alonso Webber Fisichella Montoya Massa Trulli Rosberg Button Heidfeld Barrichello Monteiro Speed Schumacher Albers Liuzzi Villeneuve Coulthard Klien Sato Montagny Migliori tempi sul giro Team Tempo Velocità media [km/h] differenza % Ferrari 01:15.1 160.014 McLaren-Mercedes 01:15.3 159.628 0.241229 Renault 01:15.7 158.898 0.697439 Williams-Cosworth 01:15.7 158.879 0.709313 Renault 01:15.9 158.379 1.021786 McLaren-Mercedes 01:16.0 158.193 1.138025 Ferrari 01:16.6 156.946 1.917332 Toyota 01:17.2 155.791 2.639144 Williams-Cosworth 01:17.2 155.696 2.698514 Honda 01:17.3 155.549 2.790381 Sauber-BMW 01:17.3 155.511 2.814129 Honda 01:17.3 155.509 2.815379 MF1-Toyota 01:17.3 155.491 2.826628 STR-Cosworth 01:17.5 155.186 3.017236 Toyota 01:17.5 155.068 3.090980 MF1-Toyota 01:17.6 154.942 3.169723 STR-Cosworth 01:17.7 154.828 3.240966 Sauber-BMW 01:17.8 154.615 3.374080 Red Bull Racing 01:17.8 154.452 3.475946 Red Bull Racing 01:17.9 154.292 3.575937 Super Aguri-Honda 01:18.8 152.602 4.632095 Super Aguri-Honda 01:19.1 152.002 5.007062 © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 5% 35 Bibliografia • Biegler L.T., J.J. Damiano, G.E. Blau, “Non linear parameter estimation: a Case-study comparison”, AIChE J., 32, 29-43, (1986) • Crowe C.M., “Reconciliation of process flow rates by matrix projection. Part II: the non linear case”, AIChE J., 44, 2909-2917, (1986) • Crowe C.M., “Data reconciliation – Progress and challenges”, J. Proc. Control, 6, 89-98, (1996) • Kretsovalis A., R.S.H. Mah, “Observability and redundancy classification in generalized process networks. I: Theorems”, Comput. Chem. Eng., 12, 671-687, (1988a) • Kretsovalis A., R.S.H. Mah, “Observability and redundancy classification in generalized process networks. II: Algorithms”, Comput. Chem. Eng., 12, 689-703, (1988b) • Mah R.S.H., “Chemical process structures and Information flows”, Chem. Eng. Ser. Butterworth, Boston, (1990) • Mah R.S.H., G. Stanley, D. Downing, “Reconciliation and rectification of process flows and inventory data”, Ind. Eng. Chem. Process Des. Dev., 15, 175-183, (1976) • Manca D., M. Rovaglio, S. Pierucci, T. Faravelli, “Reconciliation, Optimization and Supervisory Control of Crude Oil Distillation Systems”, The First Conference on Chemical and Process Engineering, Firenze, 255-259, (1993) • Manca D., M. Rovaglio, “Numerical Modeling of a Discontinuous Incineration Process With On Line Validation”, Ind. Eng. Chem. Res., 44, 3159-3177, (2005) © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 36 Bibliografia • Narasimhan S., C. Jordache, “Data Reconciliation and Gross Error Detection : An Intelligent Use of Process Data”, Gulf Professional Publishing, Houston, (2000) • Rovaglio M., D. Manca, M. Mariano, G. Nini, R. Gani, “Data Reconciliation and Process Optimization for Hazardous Waste Incineration Plants”, Proceedings of "PSE: Process Systems Engineering", pp. 613-621, ISBN 89 950005-1-1, Kyongju Korea, (1994) • Rovaglio M., D. Manca, “Reconciliation and Model Identification as a First Step for On Line Optimization of Incineration Processes”, Proceedings of International Conference on Incineration & Thermal Treatment Technologies, IT3, S. Francisco, USA, pp. 587 596, (1997) • Romagnoli J.A., M.C. Sanchez, Data Processing and Reconciliation for Chemical Process Operations, Academic press, New York, 2000 • Stanley G., R.S.H. Mah, “Observability and redundancy in process data estimation”, Chem. Eng. Sci., 36, 259-272, (1981a) • Stanley G., R.S.H. Mah, “Observability and redundancy classification in process networks – Theorems and algorithms”, Chem. Eng. Sci., 36, 1941-1954, (1981b) • Tjoa I. B., L.T. Biegler, “Simultaneous strategies for data reconciliation and gross error detection of nonlinear systems”, Comp. and Chem. Engineering, 15, 679–690, (1991) • Vaclavek V., “Studies on system engineering. III. Optimal choice of the balance measurement in complicated chemical engineering systems”, Chem. Eng. Sci., 24, 947-955, (1969) © Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano 37
© Copyright 2024